毕业设计我帮你

基于Python和深度学习的车牌检测和识别系统设计

摘  要

近年来，持续和快速越来越明显地成为社会经济的主要特征，随之而来的是汽车数量呈逐年上升的态势。急剧增大的车辆保有量会在为交通带来更大的压力的同时，也会为带来另一个棘手的问题，车牌的识别。在当今的现代化发展和交通管理中，车牌识别的需求越来越大。本文应用Python语言进行设计，利用OpenCV相关库以及卷积神经网络进行设计，利用颜色定位以及形状定位车牌区域，再进行车牌区域知乎切割，最后通过cnn卷积神经网络进行字符识别。

在车牌识别系统中，主要由车牌区域定位，车牌字符切割，车牌字符识别组成。

关键词：车牌定位；Python；卷积神经

 

目    录

中  文  摘  要 I

ABSTRACT II

目    录 III

第一章  绪论 1

1.1 课题的来源及意义 1

1.2 国内外研究现状 1

1.3 研究内容及基本思路 2

1.3.1 研究内容 2

1.3.2 基本思路 2

第二章  车牌识别中的数字图像技术 3

2.1车牌识别的原理 3

2.2 数字图像处理技术概述 3

2.3 车牌定位中常用的数字图像处理技术 4

2.3.1 图像灰度化 4

2.4.2 图像二值化 4

2.4.3 图像边缘检测 5

2.4.4高斯模糊 5

第三章  车牌定位方法的研究 5

3.1 车牌定位的常见方法 5

3.2 车牌定位方法介绍 6

3.2.1 基于图像彩色信息的定位 6

3.2.2 基于纹理分析法的定位 6

3.2.3 基于边缘检测的定位 7

3.2.4 基于数学形态学的定位 7

3.2.5 基于遗传算法的定位 7

第四章  车牌定位系统的设计与实现 9

4.1 车牌定位系统系统分析 9

4.1.1系统业务需求 9

4.1.2系统用户需求 9

4.2 车牌定位系统的整体架构设计 9

4.2.1 系统总体架构 9

4.2.2 系统技术架构 9

4.3.2 系统的功能模块实现 9

第五章  车牌定位系统的系统测试 11

5.1 系统测试过程 11

5.2 系统测试结果 11

结    论 12

参考文献 13

致    谢 14

附录： 14

 

第一章  绪论

1.1 课题的来源及意义

随着经济社会的快速发展，人民生活水平的不断提高，汽车保有量也在不断增加。 需要找到解决方案，以提高车辆管理的效率，减少公路上的交通压力。 车牌是车辆的 "身份证"，是唯一可以在公共场合识别车辆的文件。 在此基础上，可以开发一个车牌识别系统来监测每辆车的状态。 为此，中国交通部高度重视号牌的管理，制定了严格的管理规定。 这些措施包括由制版部门集中管理车辆登记号牌的制作、粘贴和维护。 在此基础上，快速和准确地开发一个车辆登记牌照照片识别（CLPR）系统将是一个非常有意义的任务，将对车辆管理的安全管理和效率做出重大贡献。

近年来，计算机的快速发展和数字图像处理技术的成熟，大大改变了传统的交通管理。先进的计算机技术不仅将人们从繁琐的人工观察和记录中解放出来，而且还大大提高了准确性。有鉴于此，在这些目标的指引下，自动车牌识别系统被开发出来。车牌照片识别系统以数字方式处理和分析由道路上的摄像机拍摄的照片。在这个过程中，许多图像处理和数学形态学的最新成果被整合并应用于车辆图像的平滑化、二值化、模糊处理、边缘检测、图像分割、开放操作、封闭操作和识别区域等手段，以 它提取车牌区域并检测出车辆车牌的准确位置。然后，用这种方法来定位车辆牌照，最后完成对车辆牌照的识别。

1.2 国内外研究现状

在国外，车牌识别的主题更早地被提出来。 自20世纪80年代首次提出车牌识别技术以来，人们开展了大量的研究工作，主要任务是分析车牌图像，自动提取车牌信息和识别车牌。 这一阶段的研究工作并没有形成一个完整的系统，而是处理具体的车牌识别问题，这些问题一般都是用简单的图像处理技术解决的。 识别过程需要使用工业电视摄像机来捕捉车辆前面的图像，然后传给计算机进行简单的处理，最终进行人工干预。 从20世纪90年代起，随着计算机视觉技术(Computer Vision Technology)的发展和计算机性能的提高，对车牌识别的系统研究 开始了。 中国、美国、日本、法国等国家相继在应用研究方面投入了大量的人力和物力。 近年来，一些计算机及相关技术发达的国家开始探索利用人工神经网络和遗传算法来解决车牌自动识别问题。 同时，为了将车牌识别系统投入实际使用，对车牌识别的实时性要求的研究也已经开始。

车牌识别(Car License Plate Recognition,LRP)技术很早就在其他国家使用，LRP系统被用于交通流监测、出入控制和电子收费。然而，英国Alphatech公司的图像处理部门ARGUS在80年代中期开始开发一种名为RGUS的自动车牌识别系统。该系统能够处理黑白和彩色图像。ARGUS的车牌识别时间约为100毫秒，ARGUS的速度可以达到每小时100英里。新加坡Optasia公司开发了VLPRS系统，该系统适用于新加坡的号码牌。总部位于香港的亚视公司的车牌识别产品VECON适用于港式车牌。其他发达国家，如日本、加拿大、德国、意大利和英国，也为自己的号牌开发了号牌识别系统。识别原理包括模板匹配、支持向量机分类器、基于特征的分类器、人工神经网络分类器、粗糙集分类器和集群分析。

国内一些科学家在车牌识别领域进行了研究。 西安交通大学图像处理与识别实验室、上海交通大学计算机科学与工程系、清华大学人工智能国家重点实验室和浙江大学自动化系都独立开展了车牌识别的研究，并取得了一定成果。 中国科学院自动化研究所的刘志勇等人发表了一篇论文，他们在3180个案例的样本中实现了99.4%和94.5%的号牌定位准确率。 北京大学的胡爱明等人利用模板匹配技术开发了一个收费站的车牌识别系统，识别率超过97%。 华南理工大学的骆雪超和刘桂雄提出了一种基于车牌信息的二值化方法，取得了良好的效果，对车牌的识别率达到96%。 清华大学的冯文毅等人将混合光电系统用于车牌识别，并成功地在硬件上完成了车牌识别的全过程；黄志斌等人将基于序列分类器的字符识别应用于车牌识别系统，并对车牌识别系统中的分类器进行了详细研究。

1.3 研究内容及基本思路

1.3.1 研究内容

本系统主要对车辆图像进行车辆牌照的定位，进行车牌区域的识别，车牌字符的切割以及最后对于车牌字符的识别，并且显示识别后的车牌信息。

1.3.2 基本思路

根据我国汽车牌照特征，常见车牌底色分为三种颜色，普通小汽车悬挂最常见的蓝牌，大型汽车以及工程车辆悬挂的黄牌以及新能源车辆悬挂的绿牌，车牌大多都由汉字，数字，字母组成，一般来说，汉字代表省份，汉字后面的字母代表地级市，数字没有具体的意义。根据车辆牌照具有的独有特征，在车牌的定位过程中，大多都采取利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。利用的车牌特征主要包括：

（1）车牌大多都是由一个省份汉字和7个阿罗伯数字或者A到Z（I和O不应用于车牌）的24个字母。

（2）车牌区域的字符与车牌的背景颜色之间存在明显的差异，边缘内容十分多。

（3）车牌的几何特征，即车牌的高、宽和高宽的比例都是在一定范围内。

 

参考文献

[1]李志强,李永斌.车牌识别技术的发展及研究现状[J].科技信息,2012,(05):110+125. 

[2]刘先莹,候德文.车牌定位常见方法介绍与分析[J].电脑知识与技术,2008(04):748-750.

[3]胡强. 基于特征信息车牌识别系统的研究[D]. 成都：西南交通大学研究生学位论文，2004.

[4]章毓晋. 图像处理和分析[M]. 北京：清华大学出版社，1999. 

[5]丁兆坤. 车牌识别技术研究[D]. 沈阳：东北大学硕士学位论文，2004.

[6]贾云得. 机器视觉[M]. 北京：科学出版社，2000.

[7]冈萨雷斯著，阮秋琦、阮宇智译. 数字图像处理[M]. 北京：电子工业出版社，2003.

[8]孙兴征. 车牌识别系统中的牌照定位分割技术研究[D]. 重庆：重庆大学硕士学位论文，2004.

[9]高勇. 基于BP神经网络的车牌识别建模及实现[J]，电子测试，2021，Vol.25，No.1：44-45+78.